Pourquoi les actions de mémoire se sont effondrées aujourd'hui : TurboQuant vient de changer la donne avec le "moment DeepSeek de Google"

Pourquoi les actions de mémoire se sont effondrées aujourd'hui : TurboQuant vient de changer la donne avec le "moment DeepSeek de Google"

Alors que les actions clôturaient solidement dans le vert malgré quelques secousses douloureuses pendant la journée, un secteur était un retardataire notable : le même secteur qui avait considérablement surperformé le S&P depuis que les prix de la mémoire ont grimpé en flèche en octobre dernier : les actions de mémoire, notamment MU et SNDK.

Dans son résumé de fin de journée, Peter Callahan, spécialiste technologique chez Goldman, a écrit que bien qu'il n'y ait pas eu beaucoup d'"angoisse" réelle, ses clients se sont plaints de beaucoup de "vérifications de bon sens" sur les mouvements descendants brusques des actions de mémoire (MU / SNDK en baisse par rapport aux OEM en hausse) et en particulier "la glissade de 5 jours de MU alors que Micron a sous-performé le SOX de 20 % en 5 jours, à partir du rapport de résultats exceptionnel de la société ; ce mouvement se classe comme la plus grande sous-performance sur 5 jours par rapport aux Semis/SOX depuis 2011.

Qu'est-ce qui a causé la remarquable baisse d'aujourd'hui, qui a vu à un moment donné les actions de Micron chuter de plus de 6 % et Sandisk de 9 % avant de réduire ses pertes, avec d'autres baisses notables incluant Western Digital (-6,7 %) et Seagate Technologies (-8,5 %) ?

La réponse a été la dernière annonce de Google Research, qui après la clôture mercredi a dévoilé TurboQuant, un algorithme de compression pour les grands modèles de langage et les moteurs de recherche vectorielle, qui réduit un goulot d'étranglement majeur entre l'inférence et la mémoire : il réduit la mémoire d'un modèle d'IA d'un facteur 6, le rendant 8 fois plus rapide avec le même nombre de GPU, tout en maintenant une perte de précision nulle et en "redéfinissant l'efficacité de l'IA".

Introducing TurboQuant: Our new compression algorithm that reduces LLM key-value cache memory by at least 6x and delivers up to 8x speedup, all with zero accuracy loss, redefining AI efficiency. Read the blog to learn how it achieves these results: https://t.co/CDSQ8HpZoc pic.twitter.com/9SJeMqCMlN
— Google Research (@GoogleResearch) March 24, 2026
L'article est prévu pour une présentation à l'ICLR 2026, mais la réaction en ligne a été immédiate : le PDG de Cloudflare, Matthew Prince, l'a qualifié de "moment DeepSeek de Google".

Certes, l'annonce de @GoogleResearch a généré un engagement massif, avec plus de 7,7 millions de vues, signalant que l'industrie avait soif d'une solution à la crise de la mémoire. Tout le monde - sauf les producteurs de mémoire - était ravi.

Dans les 24 heures suivant la publication, les membres de la communauté ont commencé à porter l'algorithme vers des bibliothèques d'IA locales populaires comme MLX pour Apple Silicon et llama.cpp.

L'analyste technique @Prince_Canuma a partagé l'un des benchmarks précoces les plus convaincants, implémentant TurboQuant dans MLX pour tester le modèle Qwen3.5-35B.

Sur des longueurs de contexte allant de 8,5K à 64K tokens, il a rapporté une correspondance exacte à 100 % à chaque niveau de quantification, notant que le TurboQuant 2,5 bits a réduit le cache KV de près de 5 fois sans perte de précision. Cette validation du monde réel a fait écho à la recherche interne de Google, prouvant que les avantages de l'algorithme se traduisent de manière transparente vers des modèles tiers.

Just implemented Google’s TurboQuant in MLX and the results are wild!
Needle-in-a-haystack using Qwen3.5-35B-A3B across 8.5K, 32.7K, and 64.2K context lengths:
→ 6/6 exact match at every quant level
→ TurboQuant 2.5-bit: 4.9x smaller KV cache
→ TurboQuant 3.5-bit: 3.8x… https://t.co/aLxRJIhB1D pic.twitter.com/drVrkL7Pw4
— Prince Canuma (@Prince_Canuma) March 25, 2026
D'autres utilisateurs se sont concentrés sur la démocratisation de l'IA haute performance. @NoahEpstein_ a fourni une explication en langage simple, arguant que TurboQuant réduit considérablement l'écart entre l'IA locale gratuite et les abonnements cloud coûteux.

Il a noté que les modèles fonctionnant localement sur du matériel grand public comme un Mac Mini "viennent de s'améliorer considérablement", permettant des conversations de 100 000 tokens sans la dégradation typique de la qualité.

De même, @PrajwalTomar_ a souligné les avantages de sécurité et de vitesse de l'exécution "d'incroyables modèles d'IA localement gratuitement", exprimant un "énorme respect" pour la décision de Google de partager la recherche plutôt que de la garder propriétaire.

L'implication est claire : si Google peut obtenir les mêmes résultats d'inférence avec un sixième du matériel, alors la demande de puces mémoire s'effondrera proportionnellement inversement - la même demande vorace qui, jusqu'à récemment, a fait grimper les prix de la DDR jusqu'à 7 fois plus en seulement 3 mois lorsque le goulot d'étranglement de la mémoire pour l'IA est devenu apparent...

... et plus récemment, les prix de la mémoire Flash NAND axée sur l'inférence ont également grimpé en flèche.

Si cela ressemble à l'infâme algorithme Pied Piper de Silicon Valley, c'est parce que c'est le cas, moins la partie masturbation :

L'éminent analyste en cryptomonnaies Kaleo a parfaitement capturé le sentiment, tweetant : "Donc, Google TurboQuant est essentiellement Pied Piper et vient d'atteindre un score de Weismann de 5,2." Cette référence à la métrique de compression de la série fictive démontre à quel point la comparaison culturelle a résonné. Le commentateur technologique Justin Trimble a fait écho à cette perspective, déclarant simplement : "TurboQuant est le nouveau Pied Piper."

Bien sûr, c'est un peu hyperbolique, mais le principe est là : prendre le matériel existant et obtenir un bien meilleur résultat de compression.

Une note technique rapide sur la façon dont Turboquant obtient cette remarquable amélioration de l'efficacité par déchiffrement :

L'efficacité de la quantification est une grande réussite en soi. Mais la "perte de précision nulle" a besoin de contexte. TurboQuant cible le cache KV - le bloc de mémoire GPU qui stocke tout ce qu'un modèle de langage doit se souvenir pendant une conversation.

Alors que les fenêtres de contexte atteignent des millions de tokens, ces caches gonflent à des centaines de gigaoctets par session. C'est le véritable goulot d'étranglement. Pas la puissance de calcul, mais la mémoire brute.

Les méthodes de compression traditionnelles essaient de réduire ces caches en arrondissant les nombres vers le bas - par exemple, de flottants 32 bits à 16, à 8 ou 4 bits entiers. Pour mieux comprendre, pensez à réduire une image de 4K, à Full HD, à 720p et ainsi de suite. Il est facile de dire que c'est la même image dans l'ensemble, mais il y a plus de détails en résolution 4K.

Le hic : ils doivent stocker des "constantes de quantification" supplémentaires à côté des données compressées pour éviter que le modèle ne devienne stupide. Ces constantes ajoutent 1 à 2 bits par valeur, érodant partiellement les gains.

TurboQuant prétend éliminer entièrement ces frais généraux.

Il le fait via deux sous-algorithmes. PolarQuant sépare la magnitude de la direction dans les vecteurs, et QJL (Quantized Johnson-Lindenstrauss) prend la petite erreur résiduelle restante et la réduit à un seul bit de signe, positif ou négatif, sans constantes stockées.

Le résultat, selon Google, est un estimateur mathématiquement non biaisé pour les calculs d'attention qui pilotent les modèles transformer.

Dans les benchmarks utilisant Gemma et Mistral, TurboQuant a égalé les performances en pleine précision sous une compression 4x, y compris une précision de récupération parfaite sur les tâches d'aiguille dans une botte de foin jusqu'à 104 000 tokens.

Pour contextualiser pourquoi ces benchmarks sont importants, l'expansion du contexte utilisable d'un modèle sans perte de qualité a été l'un des problèmes les plus difficiles dans le déploiement des LLM.

Maintenant, les petits caractères. La "perte de précision nulle" s'applique à la compression du cache KV pendant l'inférence, pas aux poids du modèle. La compression des poids est un problème complètement différent et plus difficile. TurboQuant ne touche pas à cela.

Ce qu'il compresse, c'est la mémoire temporaire qui stocke les calculs d'attention en milieu de session, ce qui est plus indulgent car ces données peuvent théoriquement être reconstruites.

Il y a aussi l'écart entre un benchmark propre et un système de production servant des milliards de requêtes. TurboQuant a été testé sur des modèles open-source - Gemma, Mistral, Llama - pas sur la propre pile Gemini de Google à grande échelle.

La conclusion : contrairement aux gains d'efficacité de DeepSeek, qui ont nécessité des décisions architecturales profondes intégrées dès le départ, TurboQuant ne nécessite aucun réentraînement ni ajustement fin et prétend avoir une surcharge d'exécution négligeable. En théorie, il s'intègre directement dans les pipelines d'inférence existants.

C'est la partie qui a effrayé le secteur du matériel mémoire - car si cela fonctionne en production, tous les grands laboratoires d'IA fonctionneront beaucoup plus maigrement sur les mêmes GPU qu'ils possèdent déjà. Ou dit, en termes de P&L, les entreprises d'IA - déjà profondément négatives en flux de trésorerie - et qui perdent soudainement encore plus de marge bénéficiaire (qu'elles n'ont pas mais supposent qu'elles avaient) à cause de la flambée des prix de la RAM, ont trouvé un moyen logiciel d'exiger beaucoup moins de matériel - potentiellement jusqu'à 6 fois moins - et donc de renverser la table sur les fabricants de mémoire qui génèrent des profits massifs précisément parce qu'ils refusent de produire plus de mémoire dans ce que certains appelleraient un comportement de cartel. Ce faisant, ils ont peut-être éliminé le goulot d'étranglement physique de la mémoire, grâce au cartel de la mémoire qui, par magie, ne trouve aucun nouvel approvisionnement avant 2027 ou plus tard.

Mais attendez, ça s'améliore : car si Google a déjà trouvé un algorithme de compression qui obtient des améliorations d'efficacité aussi phénoménales, il est pratiquement certain que des optimisations supplémentaires - et des algorithmes concurrents - conduiront à une efficacité encore plus grande, réduisant encore la quantité de matériel nécessaire.

Et juste comme ça, soudainement la bulle de la mémoire qui s'est construite sur l'hypothèse que la demande de DRAM et de NAND persistera dans le futur, semble prête à éclater car le logiciel pourrait venir de résoudre un problème matériel très délicat.

En effet, la chute d'aujourd'hui des actions pourrait n'avoir été que la première étape. La réaction du marché reflète une prise de conscience que si les géants de l'IA peuvent compresser leurs besoins en mémoire d'un facteur six par le seul logiciel, la demande insatiable de mémoire à large bande passante (HBM) pourrait être tempérée par l'efficacité algorithmique.

Alors que nous avançons en 2026, l'arrivée de TurboQuant suggère que la prochaine ère du progrès de l'IA sera définie autant par l'élégance mathématique que par la force brute. En redéfinissant l'efficacité par la compression extrême, Google permet un "mouvement de mémoire plus intelligent" pour les agents multi-étapes et les pipelines de récupération dense. L'industrie passe d'un accent sur les "modèles plus grands" à une "meilleure mémoire", un changement qui pourrait réduire les coûts de service de l'IA à l'échelle mondiale.

En fin de compte, TurboQuant prouve que la limite de l'IA n'est pas seulement le nombre de transistors que nous pouvons entasser sur une puce, mais à quel point nous pouvons élégamment traduire la complexité infinie de l'information dans l'espace fini d'un bit numérique. Pour l'entreprise, c'est plus qu'un simple article de recherche ; c'est un déverrouillage tactique qui transforme le matériel existant en un atout considérablement plus puissant.

Le document de Google va à l'ICLR 2026. Jusqu'à ce qu'il soit expédié en production, le titre "zéro perte" reste dans le laboratoire, mais le marché n'attend pas et la simple menace que la demande de mémoire puisse chuter d'ordres de grandeur pourrait choquer tout l'écosystème. Dans ce cas, achetez des puts sur le Kospi, qui est surévalué à environ 100 % si le "bénéfice mémoire" de ses deux actions principales, Samsung et SK Hynix, disparaît. À y réfléchir, vendez à découvert tout ce qui concerne la mémoire.

Pour en savoir plus, veuillez consulter "Le nouvel algorithme TurboQuant de Google accélère la mémoire IA 8x, réduisant les coûts de 50 % ou plus"

Tyler Durden
Mer, 25/03/2026 - 21:45